Florian Crouau
Jérémie Maire, Stéphane Chevalier, Jean-Luc Battaglia
I2M, Université de Bordeaux
2026-01-30
Importance de la résolution en imagerie IR : Cas d’images satellites

Super-résolution :
Comment aller chercher de l’information plus petite échelle que ce que permet le capteur ?
Mesures point à point :
✓ Distance entre mesures choisie
✗ Temps d’acquisition

Sous-échantillonnage :
Comment diminuer le nombre d’acquisition de mesures point à point sans (trop) dégrader l’image résultante ?
y = Ш_{\Delta\vec{x}}(((x\cdot\phi)\otimes h)) + \epsilon
Hypothèses du théorème d’échantillonnage
Hypothèses du Compressive Sensing
Exemples d’applications du Compressive Sensing :
Principe de la tomographie : Reconstruction d’un objet 3D à partir d’une série de mesures d’images 2D (x,y) prises sous une série d’angles \theta différents.
Diminuer le temps d’acquisition = Diminuer le nombre d’angles \rightarrow Série de reconstructions 1D pour chaque pixel
Nombre de points divisé par 14 : ~1h devient ~5min
Le Compressive Sensing permet la reconstruction de signaux avec un minimm de mesures.
En imagerie thermique il permet de :
Présentation html faite avec Quarto (Reveal.js), illustrations Inkscape, GIMP et Python (Plotly)
100% FOSS (Mis à part quelques pré-traitements de données sous Matlab)
Journée TREFLE: Super-résolution et Compressive Sensing